三维点云处理（二十）：ISS 固有形状特征点检测

ISS（Intrinsic Shape Signatures，固有形状特征） 是 Yu Zhong 于 2009 年提出的经典三维关键点检测算法。在上一章 [19-harris-keypoints.md](file:///i:/Nutstore/1/blog/point-cloud/19-harris-keypoints.md) 中，Harris 3D/6D 角点检测器依赖于协方差特征值的绝对数值，对扫描密度和绝对尺度改变非常敏感。

与 Harris 3D 不同，ISS 通过分析加权协方差矩阵特征值的**无量纲比率（Dimensionless Ratio）**来挑选显著特征点，使其对点云采样密度与尺度改变极具鲁棒性。目前，ISS 是 PCL (Point Cloud Library) 与 Open3D 中默认推荐的最稳健三维关键点提取方案。

核心算法特点一览

算法方案	核心原理	筛选判定准则	优点与适用场景
Harris 3D	3D 协方差矩阵特征值（）	角点响应 局部极大值	经典直观，但依赖特征值绝对大小，易受扫描密度与尺度缩放影响
Harris 6D	拼接坐标与法向量/强度构建 联合协方差	6D 结构张量角点响应极值	可突破几何限制，在平面上跨维度检测颜色/反射强度或法向突变点
ISS 3D	距离加权协方差矩阵特征值降序比率与 NMS	且 ，NMS 优先保留大	无量纲比率天然具备密度/尺度鲁棒性，各向异性强，工业界主流

---

一、ISS 的数学原理与特征值比率

1.1 距离加权协方差矩阵

对于点云中的查询点 及其半径 支撑邻域内的邻域点集 ，ISS 引入距离倒数加权协方差矩阵 ：

其中权重 为邻域点的密度倒数/距离倒数加权：

按降序排列 的三个特征值：

其中 分别代表三维局部椭球主轴长度平方大小。

1.2 比率判定与几何各向异性

ISS 定义相邻特征值比率：

点类型	特征值分布（降序 ）			ISS 判定逻辑（设上限阈值 ）
各向同性点 (球状)	大			❌ 排除（轴长相等，缺乏主轴独立性）
平面点 (Planar)				❌ 排除 ( 不满足 )
直线/边缘点 (Edge)				❌ 排除 ( 不满足 )
3D 显著角点 (Corner)	且均显著			✅ 选中（三轴互不相同，几何各向异性强）

候选关键点筛选准则：

1. 各主轴长度不能相等，即比率必须小于预设上限阈值：（工业界经验参数通常取 ）。

---

二、为什么 ISS 在工业界具备最强的综合鲁棒性？

除了前面提到的相比 Harris 3D 的优势（利用无量纲比率天然抵抗扫描密度与尺度缩放）外，ISS 相比其他经典三维关键点（如 SIFT 3D, NARF）也具有压倒性的工程应用优势：

1. 绝对数值 vs 无量纲比率 (对比 Harris 3D)： Harris 3D 的响应依赖于协方差特征值的绝对乘积与立方和。点云密度翻倍或整体缩放时，特征值绝对值剧烈变动，导致角点阈值难以设置。而 ISS 使用的相邻特征值比率 是**无量纲（Dimensionless）**的，只衡量局部曲面的几何各向异性分布，不随全局尺度改变。
2. 纯三维直接计算 vs 尺度空间降维 (对比 SIFT 3D)： SIFT 3D 需要在三维空间中构建极其庞大且耗时的 DoG（高斯差分）尺度空间金字塔，且体素化过程会丢失原始精度。而 ISS 直接在原始三维散乱点云上利用 KD-Tree 计算协方差，既保留了全分辨率精度，又避免了尺度空间的内存灾难。
3. 视角无关性 (对比 NARF)： NARF（Normal Aligned Radial Feature）关键点强依赖于深度图（Range Image）的生成，这意味着必须已知扫描仪的中心视点，一旦点云是由多视角拼接而成，NARF 将彻底失效。而 ISS 是**纯内蕴（Intrinsic）**的，完全不需要视点信息。
4. 方向独立性与 LRF 的契合： 比率条件保证了局部坐标系的三维主方向明确且互不简并，这意味着 ISS 提取的关键点非常容易建立稳定、唯一的三维局部参考坐标系（LRF, Local Reference Frame），这是后续计算 FPFH 或 SHOT 描述子的先决条件。

---

三、非极大值抑制（NMS）与最小特征值

经过比率筛选出候选关键点后，为了消除同城局部聚集、确保关键点在空间上均匀分散，必须执行非极大值抑制（NMS）。

3.1 为何以最小特征值 排序？

在 NMS 极值保留阶段，ISS 优先保留**最小特征值 （）**最大的候选点：

• 几何物理意义：在降序约定中， 对应切平面内两个主要变异方向，而最小特征值 代表垂直于主平面法线方向的突变/凸起强度。
• 如果 极小，说明该点极其接近平缓表面或粗糙平面；
• 越大，说明点在垂直切平面方向的几何变化越显著，包含越剧烈的三维立体结构突变（纯粹的三维顶点）。

---

四、ISS 完整算法流程

---

五、参数选择指南与点云分辨率估算

参数名	推荐参考值	参数设置策略
salient_radius	点云分辨率	太小容易引入高频测量噪声；太大则拉平几何突变细节
non_max_radius	salient_radius	决定关键点的稀疏程度，防止空域局部过度堆积
		越接近 1 则筛选越宽泛；越低则保留各向异性最强烈的点
min_neighbors		排除边缘游离噪点与稀疏孤立点

---

六、Python Pure NumPy 与 Open3D 实现

6.1 Open3D 内置 API 演示

import numpy as np
import open3d as o3d


def open3d_iss_demo(pcd):
    """
    使用 Open3D 高度优化的 ISS API 进行特征点检测
    """
    # 估算点云分辨率
    distances = pcd.compute_nearest_neighbor_distance()
    resolution = np.median(distances)
    
    # 设置 ISS 参数
    keypoints = o3d.geometry.keypoint.compute_iss_keypoints(
        pcd,
        salient_radius=6 * resolution,
        non_max_radius=8 * resolution,
        gamma_21=0.975,
        gamma_32=0.975,
        min_neighbors=5
    )
    
    print(f"原始点云点数: {len(pcd.points)}, 提取 ISS 关键点数: {len(keypoints.points)}")
    return keypoints

6.2 纯 NumPy 实现

from scipy.spatial import KDTree


def custom_iss_keypoints(pcd, salient_radius, non_max_radius, gamma_21=0.975, gamma_32=0.975, min_neighbors=5):
    points = np.asarray(pcd.points)
    N = len(points)
    tree = KDTree(points)
    
    candidates = []
    lambda_3_values = {}
    
    for i in range(N):
        idx = tree.query_ball_point(points[i], r=salient_radius)
        if len(idx) < min_neighbors:
            continue
            
        neighbors = points[idx]
        centroid = np.mean(neighbors, axis=0)
        centered = neighbors - centroid
        cov = (centered.T @ centered) / len(neighbors)
        
        # 特征分解与降序排列 (λ1 >= λ2 >= λ3)
        eigvals = np.linalg.eigvalsh(cov)[::-1]
        l1, l2, l3 = eigvals[0], eigvals[1], eigvals[2]
        
        if l1 <= 1e-8 or l2 <= 1e-8:
            continue
            
        r21 = l2 / l1
        r32 = l3 / l2
        
        # ISS 特征值比率筛选
        if r21 < gamma_21 and r32 < gamma_32:
            candidates.append(i)
            lambda_3_values[i] = l3
            
    # NMS 阶段: 优先保留 λ3 最大的候选点
    candidates.sort(key=lambda idx: lambda_3_values[idx], reverse=True)
    selected_mask = np.zeros(N, dtype=bool)
    final_keypoints = []
    
    for idx in candidates:
        if selected_mask[idx]:
            continue
        final_keypoints.append(idx)
        suppress_idx = tree.query_ball_point(points[idx], r=non_max_radius)
        selected_mask[suppress_idx] = True
        
    return pcd.select_by_index(final_keypoints)

---

七、关键点可重复率（Repeatability）评估准则

在学术与工程评估中，可重复率（Repeatability） 是衡量特征点检测器优劣的最重要定量指标。

给定源点云 与目标点云 之间的真实刚体变换 。在重叠区域（Overlap Region）内，可重复率定义为：源点云特征点经过真实位姿变换后，能在距离 内在目标点云特征点集中成功找到配对点的比例：

---

八、总结与下一阶段

算法	响应/选择度量	优势	局限性
Harris 3D		能有效捕捉几何三面角点	对点云密度与绝对尺度敏感
Harris 6D	6D 空间（坐标 + 法向量 / 强度）协方差	兼顾几何角点与纹理/曲率突变点	计算维度升高
ISS	无量纲特征值降序比率	无量纲比率，密度与尺度强鲁棒，分布均匀	依赖较好的邻域半径设置

在完成关键点检测（Harris 3D/6D 和 ISS）后，下一步需要为选出的显著关键点计算高维局部几何描述子：

• [21-pfh-fpfh-descriptors.md](file:///i:/Nutstore/1/blog/point-cloud/21-pfh-fpfh-descriptors.md)：点特征直方图 (PFH) 与快速点特征直方图 (FPFH)。
• [22-shot-descriptors.md](file:///i:/Nutstore/1/blog/point-cloud/22-shot-descriptors.md)：基于局部参考坐标系 (LRF) 的 SHOT 几何描述子。